AI-контроль качества химической продукции
Лабораторный анализ химической продукции даёт точный результат — но через 2–8 часов. К этому моменту партия уже произведена. Если качество не соответствует спецификации, весь объём идёт на переработку или списание.
Где теряются деньги без онлайн-контроля
Типичная ситуация на нефтехимическом предприятии: анализатор хроматографии возвращает данные раз в 15 минут, а нестабильность режима проявляется за 2–3 минуты до выхода параметра за границу. При производительности 50 т/ч и 15-минутном запаздывании — это 12.5 т нестандартной продукции за один инцидент.
Soft sensor для онлайн-прогноза качества
Центральный инструмент. Модель предсказывает целевые показатели качества (чистота, вязкость, кислотное число, молекулярно-массовое распределение) по непрерывным сигналам датчиков с минимальной задержкой.
Глубокий разбор: Near-Infrared (NIR) спектроскопия + ML
NIR-спектрометр снимает спектр потока продукта в реальном времени, каждые 30–60 секунд. Спектр — вектор из 256–2048 точек в диапазоне 700–2500 нм. Задача: из спектра предсказать концентрацию компонентов или физические свойства.
Классика: PLS (Partial Least Squares) регрессия — интерпретируема, быстра, стабильна при малых датасетах (50–200 спектров). RMSECV на этапе кросс-валидации — основная метрика.
Нелинейные методы: при сложных составах и нелинейных взаимозависимостях PLS деградирует. SVR с RBF-ядром или Gradient Boosting дают улучшение на 15–30% по RMSEP (Root Mean Square Error of Prediction).
CNN на спектрах: 1D CNN обрабатывает спектр как временной ряд, захватывая локальные паттерны поглощения. Особенно эффективен при наличии перекрывающихся пиков. Результат на реальном датасете (определение содержания воды в растворителях, 800 спектров): RMSEP = 0.034% vs. 0.051% у PLS-2.
Проблема дрейфа NIR-спектра: показания спектрометра "уплывают" со временем из-за загрязнения оптики, температурных изменений, замены ламп. Модель, обученная в январе, к марту может деградировать на 40%.
Решение: Transfer calibration через domain adaptation (PDS — Piecewise Direct Standardization) или онлайн-обновление модели через incremental learning. В production используем скользящее переобучение на последних N сертифицированных образцах с весовым затуханием старых данных.
Статистический контроль процесса (SPC) + ML
Классические Shewhart control charts (X-bar, R-chart) срабатывают только после выхода за пределы 3σ. ML-подход — аномалия в многомерном пространстве датчиков задолго до нарушения одного показателя.
Multivariate SPC через PCA: главные компоненты процесса (T² Hotelling's statistic) и остатки (Q/SPE statistic) — стандартные метрики. Threshold устанавливается на F-распределении с заданным α.
Улучшение через Autoencoder: LSTM Autoencoder обучается на "нормальных" партиях, reconstruction error служит anomaly score. На производстве реактопластов AUC-ROC детектирования нестандартных партий: 0.91 против 0.73 у PCA-based SPC.
Компьютерное зрение для продукта
Там, где качество имеет визуальное измерение — кристаллы, гранулы, покрытия, цвет продукта:
- Гранулометрический анализ: CNN сегментирует частицы на микроскопических изображениях → автоматически измеряет PSD (particle size distribution). Заменяет ситовой анализ с 30-минутной задержкой.
- Цветовая сортировка: классификация по отклонению цвета (CIE Lab) с камерой высокого разрешения; ResNet-50 fine-tuned на брак конкретного производства.
- Дефекты покрытий: Anomaly detection через PatchCore или EfficientAD — работает без разметки дефектов (только нормальные образцы для обучения).
Интеграция с производством
- OPC-UA / OPC-DA — получение данных датчиков из DCS/SCADA в реальном времени
- LIMS-интеграция (LabVantage, STARLIMS) — автоматическая передача прогнозных результатов рядом с лабораторными
- ERP-интеграция — автоматическое создание записей о качестве партии в SAP QM
Процесс
- Аудит источников качества — какие параметры критичны, частота измерений, задержка анализа
- Feature engineering — синхронизация датчиков с лабораторными данными, dead time compensation
- Baseline — PLS/PCA для интерпретируемого старта, демонстрация ценности
- ML upgrade — Gradient Boosting / CNN при наличии достаточно данных (>200–500 образцов)
- Валидация — RMSEP на holdout выборке, сравнение с лабораторным методом
- Деплой — real-time inference, алерты при выходе за границы, LIMS integration
Soft sensor для одного показателя качества: 6–10 недель. Комплексная система мониторинга качества с SPC и CV: 4–8 месяцев.